CN115359890B - 基于迁移学习的单病种资源消耗分析方法、系统及终端 - Google Patents
基于迁移学习的单病种资源消耗分析方法、系统及终端 Download PDFInfo
- Publication number
- CN115359890B CN115359890B CN202211263786.7A CN202211263786A CN115359890B CN 115359890 B CN115359890 B CN 115359890B CN 202211263786 A CN202211263786 A CN 202211263786A CN 115359890 B CN115359890 B CN 115359890B
- Authority
- CN
- China
- Prior art keywords
- neural network
- resource consumption
- transfer learning
- neurons
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了基于迁移学习的单病种资源消耗分析方法、系统及终端，涉及机器学习技术领域，其技术方案要点是：获取单病种的归类数据，并提取归类数据中与疾病转归存在关联的因素所对应的数据，得到变量数据集；利用神经网络迁移学习方法对变量数据集进行训练，并采用分位数损失函数建立神经网络模型；通过神经网络模型对单病种资源消耗进行预测分析，并结合多个神经元的初始预测结果和相应神经元的置信分位数确定最终预测结果。本发明采用分位数损失函数所建立的基于迁移学习方法的神经网络模型，能够适应较多变量的数据处理，有效提高了病种资源消耗预测结果的可靠性与准确性。
Description
技术领域
本发明涉及机器学习技术领域，更具体地说，它涉及基于迁移学习的单病种资源消耗分析方法、系统及终端。
背景技术
传统的病种资源消耗采用中位数和平均数等单点度量进行分析，其结果反应了整体水平。而随着医疗数据的信息不断增多以及变量类型朝着多元化发展，如资源消耗类型的划分更加细致，同时影响一个或多个资源消耗类型的影响因素也更为复杂，且影响因素和资源消耗类型之间还存在交叉的关联关系，采用中位数和平均数等方法难以准确的体现病种资源消耗的具体情况。
现有技术中公开有采用多元线性回归方法和机器学习方法对病种资源消耗进行分析的方案，普遍采用均方误差损失函数的神经网络模型，而为了避免出现过拟合的情况，所处理的样本数据中的变量有限，从而导致病种资源消耗分析的准确度较差；此外，现有建模过程中的医疗数据存在医疗数据偏态性、资源消耗非线性等问题，导致预测结果的波动性较大；另外，现有的病种资源消耗分析过程中，为了消除混淆因子预测结果的影响，主要考虑了与病种资源存在直接关联关系的影响因素，忽略了存在间接关联关系的影响因素，在一定程度上会降低预测结果的准确性。
因此，如何研究设计一种能够克服上述缺陷的基于迁移学习的单病种资源消耗分析方法、系统及终端是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足，本发明的目的是提供基于迁移学习的单病种资源消耗分析方法、系统及终端，采用分位数损失函数所建立的基于迁移学习方法的神经网络模型，能够适应较多变量的数据处理，有效提高了病种资源消耗预测结果的可靠性与准确性。
本发明的上述技术目的是通过以下技术方案得以实现的：
第一方面，提供了基于迁移学习的单病种资源消耗分析方法，包括以下步骤：
获取单病种的归类数据，并提取归类数据中与疾病转归存在关联的因素所对应的数据，得到变量数据集；
利用神经网络迁移学习方法对变量数据集进行训练，并采用分位数损失函数建立神经网络模型；
通过神经网络模型对单病种资源消耗进行预测分析，并结合多个神经元的初始预测结果和相应神经元的置信分位数确定最终预测结果。
进一步的，所述分位数损失函数的计算公式具体为：
其中，
表示损失函数的程度值，程度值越小表示神经网络模型的预测性能越好；
表示神经元的数量；
表示第
个神经元输出的初始预测结果，不同神经元的置信分位数不同；
表示输入样本的实际值；
表示惩罚系数。
进一步的，所述最终预测结果的确定过程具体为：
以多个初始预测结果的加权平均值作为最终预测结果；
或，根据多个初始预测结果，以最小二乘法建立预测变化曲线；采用微积分求和计算得到预测变化曲线在预测区间的预测累积值，预测区间由多个初始预测结果的最大值和最小值确定；以预测累积值与区间跨度的比值作为最终预测结果，区间跨度为初始预测结果的最大值与最小值之差。
进一步的，该方法还包括：
从变量数据集中提取包含因素级别和关联密度的关联因素特征图；
依据因素级别的级别数量确定神经网络模型的神经元数量；
以及，依据关联密度确定对应神经元的置信分位数。
进一步的，所述因素级别的提取过程具体为：
提取变量数据集中单个变量因素与单个消耗资源类型之间关联路径，得到路径集；
统计路径集中所有关联路径的关联跨度，计算所有关联跨度的均值后取整作为变量因素对相应消耗资源类型的因素级别。
进一步的，所述关联密度的提取过程具体为：
统计关联跨度不小于对应因素级别的关联路径的数量，得到第一数值；
以第一数值与相应路径集中的关联路径总数量之比作为关联密度。
进一步的，所述神经元数量的确定过程具体为：
确定关联密度大于对应因素级别所配置的基础密度的级别数量；
以级别数据作为神经网络模型中所构建的神经元数量。
进一步的，所述置信分位数的确定过程具体为：
根据因素级别匹配相应的分位数区间；
根据因素级别的关联密度与对应基础密度的比值作为偏移系数；
依据偏移系数对相应分位数区间的中点值进行偏移处理，得到处于分位数区间中的置信分位数。
第二方面，提供了基于迁移学习的单病种资源消耗分析系统，包括：
数据处理模块，用于获取单病种的归类数据，并提取归类数据中与疾病转归存在关联的因素所对应的数据，得到变量数据集；
模型构建模块，用于利用神经网络迁移学习方法对变量数据集进行训练，并采用分位数损失函数建立神经网络模型；
预测分析模块，用于通过神经网络模型对单病种资源消耗进行预测分析，并结合多个神经元的初始预测结果和相应神经元的置信分位数确定最终预测结果。
第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的基于迁移学习的单病种资源消耗分析方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明提出的基于迁移学习的单病种资源消耗分析方法，通过提取归类数据中与疾病转归存在关联的因素所对应的数据作为样本数据，能够清洗出混淆因子所对应的数据，同时保留了存在直接和间接关联关系的影响因素；采用分位数损失函数所建立的基于迁移学习方法的神经网络模型，能够适应较多变量的数据处理，有效提高了病种资源消耗预测结果的可靠性与准确性；
2、本发明采用多个分位数来构建损失函数，解决了医疗数据偏态性难精准预测问题，使得神经网络模型的训练性能分析结果更加可靠；
3、本发明依据变量数据集中不同影响因素的关联关系以及关联强度灵活的确定神经网络模型的神经元数量，既可以实现病种资源消耗的区间预测，也可以实现病种资源消耗的精准分析，预测结果输出的灵活性较强；
4、本发明还根据影响因素的因素级别和相应的关联密度，灵活、准确的确定不同神经元的置信水平，从而保证了各个神经元输出的预测结果稳定、可靠。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明实施例中的流程图；
图2是本发明实施例中的系统框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：基于迁移学习的单病种资源消耗分析方法，如图1所示，包括以下步骤：
S1：获取单病种的归类数据，并提取归类数据中与疾病转归存在关联的因素所对应的数据，得到变量数据集；以脑卒中为例，变量考虑因素包括但不限于：病人自身存在的影响因素（如年龄、性别、经济状况等）、合并症及并发症、手术操作、入院时的各种操作（气管插管等）、以及入院情况、出院状况等；
S2：在区域数据上建立神经网络基础模型，再通过迁移学习技术对单病种数据再训练，本发明基于区域数据的神经网络基础模型，样本量大、变量充足信息多，解决了某些单病种样本少，无法建模预测的难题。利用神经网络迁移学习方法对变量数据集进行训练，并采用分位数损失函数建立神经网络模型；在神经网络模型训练过程中，确定单个置信分位数的预测结果的偏差情况，以置信分位数为P10为例进行说明，确定预测结果小于10%的第一样本数量，以第一样本数量与总样本数据量的比值确定校准系数。再以各个校准系数与对应置信分位数的标准差确定波动性，以波动性小于预设值判断神经网络模型合格，若不合格，则调整神经元隐藏层的神经元个数以及激活函数的参数重新训练神经网络模型。
S3：通过神经网络模型对单病种资源消耗进行预测分析，并结合多个神经元的初始预测结果和相应神经元的置信分位数确定最终预测结果。
本发明通过提取归类数据中与疾病转归存在关联的因素所对应的数据作为样本数据，能够清洗出混淆因子所对应的数据，同时保留了存在直接和间接关联关系的影响因素；采用分位数损失函数所建立的基于迁移学习方法的神经网络模型，能够适应较多变量的数据处理，有效提高了病种资源消耗预测结果的可靠性与准确性。
本发明采用多个分位数来构建损失函数，在避免出现神经网络模型出现过拟合的情况下，使得神经网络模型的训练性能分析结果更加可靠，分位数损失函数的计算公式具体为：
其中，
表示损失函数的程度值，程度值越小表示神经网络模型的预测性能越好；
表示神经元的数量；
表示第
个神经元输出的初始预测结果，不同神经元的置信分位数不同；
表示输入样本的实际值；
表示惩罚系数。
作为一种可选的实施例，可以以多个初始预测结果的加权平均值作为最终预测结果，也可以依据多个初始预测结果进行区间匹配等方式。
作为另一种可选的实施方式，最终预测结果的确定过程具体为：根据多个初始预测结果，以最小二乘法建立预测变化曲线；采用微积分求和计算得到预测变化曲线在预测区间的预测累积值，预测区间由多个初始预测结果的最大值和最小值确定；以预测累积值与区间跨度的比值作为最终预测结果，区间跨度为初始预测结果的最大值与最小值之差。
在神经网络模型构建之前，本发明通过对变量数据集进行数据挖掘分析，依据数据分析结果来确定神经元的具体参数，具体方法为：从变量数据集中提取包含因素级别和关联密度的关联因素特征图；依据因素级别的级别数量确定神经网络模型的神经元数量；以及，依据关联密度确定对应神经元的置信分位数。
本发明依据变量数据集中不同影响因素的关联关系以及关联强度灵活的确定神经网络模型的神经元数量，既可以实现病种资源消耗的区间预测，也可以实现病种资源消耗的精准分析，预测结果输出的灵活性较强。
为了使整个神经网络模型更好的出来大量复杂变量关系，从而对神经元的配置进行精确划分，因素级别的提取过程具体为：提取变量数据集中单个变量因素与单个消耗资源类型之间关联路径，得到路径集；统计路径集中所有关联路径的关联跨度，计算所有关联跨度的均值后取整作为变量因素对相应消耗资源类型的因素级别。关联路径是由多个关联节点和关联路段组成，关联跨度即关联路段的数量，例如，直接关联关系的变量因素与消耗资源类型之间的关联跨度为1。
关联密度的提取过程具体为：统计关联跨度不小于对应因素级别的关联路径的数量，得到第一数值；以第一数值与相应路径集中的关联路径总数量之比作为关联密度。
在保证神经网络模型基础性能的情况下，为了降低整个模型的复杂程度，神经元数量的确定过程具体为：确定关联密度大于对应因素级别所配置的基础密度的级别数量；以级别数据作为神经网络模型中所构建的神经元数量。
置信分位数的确定过程具体为：根据因素级别匹配相应的分位数区间；根据因素级别的关联密度与对应基础密度的比值作为偏移系数；依据偏移系数对相应分位数区间的中点值进行偏移处理，得到处于分位数区间中的置信分位数。例如，因素级别A的分位数区间为[x,y]，所确定的偏移系数为1.2，则最终确定的置信分位数为0.6(x+y)，而当0.6(x+y)大于y时，则最终取值为y。
本发明还根据影响因素的因素级别和相应的关联密度，灵活、准确的确定不同神经元的置信水平，从而保证了输出层输出的预测结果稳定、可靠。
实施例2：基于迁移学习的单病种资源消耗分析系统，该系统用于实现实施例1中所记载的基于迁移学习的单病种资源消耗分析方法，如图2所示，包括数据处理模块、模型构建模块、预测分析模块。
其中，数据处理模块，用于获取单病种的归类数据，并提取归类数据中与疾病转归存在关联的因素所对应的数据，得到变量数据集；模型构建模块，用于利用神经网络迁移学习方法对变量数据集进行训练，并采用分位数损失函数建立神经网络模型；预测分析模块，用于通过神经网络模型对单病种资源消耗进行预测分析，并结合多个神经元的初始预测结果和相应神经元的置信分位数确定最终预测结果。
工作原理：本发明通过提取归类数据中与疾病转归存在关联的因素所对应的数据作为样本数据，能够清洗出混淆因子所对应的数据，同时保留了存在直接和间接关联关系的影响因素；采用分位数损失函数所建立的基于迁移学习方法的神经网络模型，能够适应较多变量的数据处理，有效提高了病种资源消耗预测结果的可靠性与准确性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.基于迁移学习的单病种资源消耗分析方法，其特征是，包括以下步骤：
获取单病种的归类数据，并提取归类数据中与疾病转归存在关联的因素所对应的数据，得到变量数据集；
利用神经网络迁移学习方法对变量数据集进行训练，并采用分位数损失函数建立神经网络模型；
通过神经网络模型对单病种资源消耗进行预测分析，并结合多个神经元的初始预测结果和相应神经元的置信分位数确定最终预测结果；
该方法还包括：
从变量数据集中提取包含因素级别和关联密度的关联因素特征图；
依据因素级别的级别数量确定神经网络模型的神经元数量；
以及，依据关联密度确定对应神经元的置信分位数。
2.根据权利要求1所述的基于迁移学习的单病种资源消耗分析方法，其特征是，所述分位数损失函数的计算公式具体为：
其中，
表示损失函数的程度值，程度值越小表示神经网络模型的预测性能越好；
表示神经元的数量；
表示第
个神经元输出的初始预测结果，不同神经元的置信分位数不同；
表示输入样本的实际值；
表示惩罚系数。
3.根据权利要求1所述的基于迁移学习的单病种资源消耗分析方法，其特征是，所述最终预测结果的确定过程具体为：
以多个初始预测结果的加权平均值作为最终预测结果；
或，根据多个初始预测结果，以最小二乘法建立预测变化曲线；采用微积分求和计算得到预测变化曲线在预测区间的预测累积值，预测区间由多个初始预测结果的最大值和最小值确定；以预测累积值与区间跨度的比值作为最终预测结果，区间跨度为初始预测结果的最大值与最小值之差。
4.根据权利要求1所述的基于迁移学习的单病种资源消耗分析方法，其特征是，所述因素级别的提取过程具体为：
提取变量数据集中单个变量因素与单个消耗资源类型之间关联路径，得到路径集；
统计路径集中所有关联路径的关联跨度，计算所有关联跨度的均值后取整作为变量因素对相应消耗资源类型的因素级别。
5.根据权利要求4所述的基于迁移学习的单病种资源消耗分析方法，其特征是，所述关联密度的提取过程具体为：
统计关联跨度不小于对应因素级别的关联路径的数量，得到第一数值；
以第一数值与相应路径集中的关联路径总数量之比作为关联密度。
6.根据权利要求1所述的基于迁移学习的单病种资源消耗分析方法，其特征是，所述神经元数量的确定过程具体为：
确定关联密度大于对应因素级别所配置的基础密度的级别数量；
以级别数据作为神经网络模型中所构建的神经元数量。
7.根据权利要求1所述的基于迁移学习的单病种资源消耗分析方法，其特征是，所述置信分位数的确定过程具体为：
根据因素级别匹配相应的分位数区间；
根据因素级别的关联密度与对应基础密度的比值作为偏移系数；
依据偏移系数对相应分位数区间的中点值进行偏移处理，得到处于分位数区间中的置信分位数。
8.基于迁移学习的单病种资源消耗分析系统，其特征是，包括：
数据处理模块，用于获取单病种的归类数据，并提取归类数据中与疾病转归存在关联的因素所对应的数据，得到变量数据集；
模型构建模块，用于利用神经网络迁移学习方法对变量数据集进行训练，并采用分位数损失函数建立神经网络模型；
预测分析模块，用于通过神经网络模型对单病种资源消耗进行预测分析，并结合多个神经元的初始预测结果和相应神经元的置信分位数确定最终预测结果；
还包括：
从变量数据集中提取包含因素级别和关联密度的关联因素特征图；
依据因素级别的级别数量确定神经网络模型的神经元数量；
以及，依据关联密度确定对应神经元的置信分位数。
9.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的基于迁移学习的单病种资源消耗分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211263786.7A CN115359890B (zh) | 2022-10-17 | 2022-10-17 | 基于迁移学习的单病种资源消耗分析方法、系统及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211263786.7A CN115359890B (zh) | 2022-10-17 | 2022-10-17 | 基于迁移学习的单病种资源消耗分析方法、系统及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115359890A CN115359890A (zh) | 2022-11-18 |
| CN115359890B true CN115359890B (zh) | 2023-02-03 |
Family
ID=84007766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211263786.7A Active CN115359890B (zh) | 2022-10-17 | 2022-10-17 | 基于迁移学习的单病种资源消耗分析方法、系统及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115359890B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832413A (zh) * | 2020-06-09 | 2020-10-27 | 天津大学 | 基于时空多尺度网络的人流密度图估计、定位和跟踪方法 |
| CN112567394A (zh) * | 2018-08-16 | 2021-03-26 | 甲骨文国际公司 | 用于在有限的知识领域中构建知识图的技术 |
| CN114912364A (zh) * | 2022-05-31 | 2022-08-16 | 中海石油（中国）有限公司天津分公司 | 天然气井流量预测方法、装置、设备及计算机可读介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018085859A1 (en) * | 2016-11-07 | 2018-05-11 | Ayasdi, Inc. | Dimension grouping and reduction for model generation, testing, and documentation |
| CN111209708B (zh) * | 2020-04-22 | 2020-08-14 | 西南交通大学 | 基于机器学习的桩-土相互作用预测分析方法 |
| CN111685748B (zh) * | 2020-06-15 | 2023-08-01 | 广州视源电子科技股份有限公司 | 一种基于分位数的血压预警方法、装置、设备及存储介质 |
| WO2022068934A1 (en) * | 2020-09-30 | 2022-04-07 | Huawei Technologies Co., Ltd. | Method of neural architecture search using continuous action reinforcement learning |
| CN113222263A (zh) * | 2021-05-20 | 2021-08-06 | 河海大学 | 一种基于长短期记忆神经网络的光伏发电功率预测方法 |
-
2022
- 2022-10-17 CN CN202211263786.7A patent/CN115359890B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112567394A (zh) * | 2018-08-16 | 2021-03-26 | 甲骨文国际公司 | 用于在有限的知识领域中构建知识图的技术 |
| CN111832413A (zh) * | 2020-06-09 | 2020-10-27 | 天津大学 | 基于时空多尺度网络的人流密度图估计、定位和跟踪方法 |
| CN114912364A (zh) * | 2022-05-31 | 2022-08-16 | 中海石油（中国）有限公司天津分公司 | 天然气井流量预测方法、装置、设备及计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115359890A (zh) | 2022-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
| US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
| US20220122739A1 (en) | Ai-based condition classification system for patients with novel coronavirus | |
| CN113053535B (zh) | 一种医疗信息预测系统及医疗信息预测方法 | |
| CN111160959B (zh) | 一种用户点击转化预估方法及装置 | |
| CN114220540A (zh) | 一种糖尿病肾病风险预测模型的构建方法及应用 | |
| CN116959585B (zh) | 基于深度学习的全基因组预测方法 | |
| CN115359890B (zh) | 基于迁移学习的单病种资源消耗分析方法、系统及终端 | |
| CN113869526A (zh) | 数据处理模型性能提高方法及装置、存储介质和电子设备 | |
| CN111243738B (zh) | 生存分析模型的构建、生存率的预测方法、装置及设备 | |
| Groha et al. | Neural odes for multi-state survival analysis | |
| CN115565669B (zh) | 一种基于gan和多任务学习的癌症生存分析方法 | |
| KR102425204B1 (ko) | 변수 속성에 기반한 탐색적 데이터 분석 자동화 시스템과 방법 | |
| CN113868597B (zh) | 一种用于年龄估计的回归公平性度量方法 | |
| CN116483817A (zh) | 一种数据填补模型选择、健康评测方法及装置 | |
| CN109994211A (zh) | 一种基于ehr数据的慢性肾脏病恶化风险的建模方法 | |
| CN113838018B (zh) | 基于Cnn-former的肝纤维化病变检测模型训练方法与系统 | |
| CN115064270A (zh) | 一种基于影像组学图像特征的肝癌复发预测方法 | |
| CN114944208A (zh) | 质量控制方法、装置、电子设备及存储介质 | |
| Soutinho et al. | survidm: An R package for Inference and Prediction in an Illness-Death Model | |
| CN112149833B (zh) | 基于机器学习的预测方法、装置、设备和存储介质 | |
| CN117079760B (zh) | 华法林剂量调整方法、系统及临床辅助决策系统 | |
| CN114971408A (zh) | 一种实时质量控制纠偏方法、装置、设备及程序产品 | |
| CN115270975A (zh) | 临床数据插补方法、装置、设备及存储介质 | |
| Zheng et al. | Indirect estimation of pediatric reference interval via density graph deep embedded clustering |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Analysis method, system and terminal of single disease resource consumption based on Transfer learning Effective date of registration: 20230613 Granted publication date: 20230203 Pledgee: Bank of China Limited Xindu sub branch Pledgor: Zhongke Houli information technology (Chengdu) Co.,Ltd. Registration number: Y2023510000147 |